基于振动信号的气体绝缘金属封闭输电线路局部放电诊断方法

陈 轩 王立宪 朱 超 马宏忠

基于振动信号的气体绝缘金属封闭输电线路局部放电诊断方法

陈 轩1王立宪2朱 超1马宏忠2

（1. 国网江苏省电力有限公司检修分公司，南京 211102； 2. 河海大学能源与电气学院，南京 211100）

为对气体绝缘金属封闭输电线路（GIL）局部放电缺陷进行识别与诊断，本文提出一种基于1.5维能量谱与粒子群优化极限学习机（PSO-ELM）的局部放电缺陷诊断方法。首先，通过计算局部放电引起的GIL异常振动信号的1.5维能量谱，得到不同类型放电情况的能量波动特征；其次，构建PSO-ELM模型，以1.5维能量谱作为特征量对GIL局部放电故障进行识别与诊断；最后，通过不同方法的对比，验证该方法的优越性，为GIL在输配电系统中的安全、稳定运行提供依据。

气体绝缘金属封闭输电线路（GIL）；局部放电；1.5维能量谱；粒子群优化算法（PSO）；极限学习机（ELM）

0 引言

气体绝缘金属封闭输电线路（gas insulated transmission line, GIL）是我国跨区域长距离电能输送的重要输电设备，已先后应用在天生桥水电站、溪洛渡水电站和苏通GIL综合管廊等重要输变电建设之中。局部放电（partial discharge, PD）是造成GIL内部绝缘裂化、影响GIL设备绝缘性能的主要原因[1-3]，文献[4]表明金属颗粒污染物的存在会使GIL内部绝缘性能降低50%以上。

目前，针对GIL设备内部局部放电的常用诊断方法有脉冲电流法、特高频检测法和超声波检测法。脉冲电流法受外界环境影响（如电磁干扰）较大且不适用于在线监测[5-6]；特高频检测法主要检测0.3～3GHz的电磁信号，易受到窄带噪声的干扰，影响诊断结果[7]；超声波检测法虽不受电磁干扰的影响，但声信号衰减较大等问题会给检测造成阻碍[8]。

振动信号作为GIL设备运行时的固有信号，具有直接、及时、准确等优点[9-10]。文献[11]表明利用气体绝缘金属封闭开关设备（gas insulated switchgear, GIS）局部放电引起的设备异常振动信号可以实现对GIS局部放电故障的诊断；文献[12]研究了尖端放电引起GIS壳体振动的规律，表明放电程度与GIS壳体异常振动加速度成正比。

本文搭建110kV GIL局部放电实验平台，模拟GIL尖端放电与金属颗粒放电两种局部放电工况，以GIL设备的异常振动信号为研究对象，从振动信号的能量波动角度出发，提出一种基于1.5维能量谱与粒子群优化极限学习机（particle swarm optimization-extreme learning machine, PSO-ELM）的GIL局部放电缺陷诊断方法。首先，利用能量算子与1.5维谱对异常振动信号能量波动进行分析，得到尖端放电与金属颗粒放电的能量波动特征；其次，构建PSO-ELM模型，以1.5维能量谱作为特征量对GIL局部放电故障进行识别与诊断；最后通过与其他方法进行对比，验证本文所提方法的优越性，为GIL设备局部放电的在线监测、故障诊断提供依据。

1 实验设置

本文建立110kV GIL实验平台来模拟尖端放电与金属颗粒放电两种放电缺陷。

1）GIL故障模型包含：MLZC—110kV调压器、GDLB—5kV·A隔离滤波装置、隔离保护装置、YDJ—5/100无局部放电变压器，额定电压110kV，额定功率5kV·A，110kV以下局部放电量小于10pC及110kV GIL实验腔体。GIL设备导电杆直径60mm，腔体内直径360mm，实验腔体含石英观察窗便于拆卸与观测，实验平台如图1所示。

2）信号同步采集系统包含：振动传感器型号为CTC AC102—1A，灵敏度为100mV/±10%（25℃），最高振幅为±50m/s2，共振频率为30kHz，振动信号采集仪为IOtech 652U。利用HCPD—2622型数字局部放电巡检仪监测电晕放电，其测量阻抗型号为HCPD—1—2，调谐范围为25～400pF，以电晕放电的放电量作为设备起晕的判据。

3）故障设置：尖端放电缺陷设置需结合GIL设备额定电压与结构参数，为防止起始电压过高，尖刺长度不宜过短，确定为65mm，材质为铝，用绝缘胶带固定在导电杆上；在GIL腔体的内壁上放置直径为0.5mm和1mm的球状混合铝制金属颗粒模拟金属颗粒污染物放电缺陷。GIL局部放电缺陷设置如图2所示。

图1 实验平台

图2 GIL局部放电缺陷设置

2 基于1.5维能量谱与PSO-ELM的联合诊断方法

2.1 1.5维能量谱

由于1.5维谱由信号的三阶累积量变化得到，所以其对于噪声敏感性不强，具有较好的抗噪能力；此外，其对于振动信号中的非线性耦合具有较强的识别能力，在分析非平稳非线性信号方面具有优越性。

2.2 极限学习机

极限学习机（extreme learning machine, ELM）作为一种人工智能算法，具有较好的相似特征识别与泛化能力，ELM最终表示为

式中：为输入向量；为隐藏层单元数量；为隐藏层中第个神经元与输出节点之间的连接权重；(∙)为激活函数，本文使用对特征值感知更为明显的Sigmoid函数作为激活函数；为位于隐藏层中第个神经元的输出权重；为隐藏层中第个神经元与输出节点之间的偏置；为样本数量。ELM的反向传播过程为

式中：和分别为训练集目标矩阵与权重矩阵；为隐藏层输出矩阵，有

由式（4）可知，权重向量和偏置均需要人工设置。当人工设置的参数不能达到最优标准时，ELM易产生准确率降低、稳定性失衡等问题。鉴于ELM模型的不足，本文采用粒子群算法（particle swarm optimization, PSO）对ELM模型进行参数优化，完善网络结构，提升模型的准确性。

2.3 粒子群优化算法

PSO作为一种智能优化算法，其基本思想是通过粒子在种群中速度向量与位置向量的信息共享和共同协作来完成迭代寻优。

式中，为粒子寻优搜索维度，=1, 2,…,。

迭代寻优过程可表示为

2.4 基于1.5维能量谱与PSO-ELM模型的联合诊断方法

本文首先利用Teager-Kaiser算子提取振动信号的瞬时能量值；其次利用其三阶累积量的对角切片的一次傅里叶变换将瞬时能量值散点形成1.5维能量谱，分析其特征变化；最后，将尖端放电与金属颗粒放电的1.5维能量谱作为特征输入PSO-ELM模型进行故障分类与诊断，PSO-ELM模型的具体参数设置见表1。

表1 PSO-ELM模型参数

具体操作流程如下：

1）将ELM的权重向量和隐藏层神经元阈值设置为粒子，初始化种群粒子位置和速度。

2）计算粒子适应度值，选取方均误差（mean squared error, MSE）作为PSO计算的适应度值，即

式中：为输入样本数量；E为预测输出；R为实际计算输出。

3）根据步骤2）更新粒子和全局的极值。

4）根据新极值更新粒子的位置和速度。

基于1.5维能量谱与PSO-ELM的算法流程如图3所示。

图3 基于1.5维能量谱与PSO-ELM的算法流程

3 故障诊断结果分析

3.1 信号获取

利用文中实验平台，获取GIL设备正常运行时的振动信号，并将其作为发生局部放电时GIL设备异常振动信号的对照，分别独立进行尖端放电实验与金属颗粒放电实验，获得GIL设备三种工况下的振动信号如图4所示。

由图4可以看出，GIL设备在正常运行和发生局部放电时的振动信号存在明显差异。在正常运行状态下，GIL设备的振动信号幅值小于0.45×10-3m/s2，信号波动平稳。

发生尖端放电时，起始放电电压为63.8kV，放电脉冲电流值为0.76A，脉冲电流值为1.32A，放电量为1 246pC；发生金属颗粒放电时，起始放电电压为71.4kV，放电脉冲电流值为0.63A，脉冲电流值为1.17A，放电量为1 023pC。发生局部放电时，GIL设备的振动信号幅值明显增大，且振动信号出现多个峰值。对比尖端放电和金属颗粒放电引起的GIL设备异常振动信号发现，二者区别并不明显，无法对其进行判别，需要进一步分析其能量波动特征。

3.2 1.5维能量谱对比与分析

根据尖端放电和金属颗粒放电引起的GIL设备异常振动信号能量变化，得到二者的1.5维能量谱如图5所示。

图5 GIL设备局部放电1.5维能量谱

由图5可以发现，二者1.5维能量谱的变化特征区别明显。尖端放电1.5维能量谱的峰值变化明显，呈“尖刺”状；而金属颗粒放电1.5维能量谱变化连绵，呈“波浪”状。造成二者区别的主要原因在于两者放电模式的不同，尖端放电位置发生在导电杆上，在发生局部放电时电压等级高、放电脉冲电流大，又因导电杆导电性能好，脉冲电流衰减速度快，因此其1.5维能量谱的能量变化呈“尖刺”状上升和下降；而金属颗粒在发生放电前会先发生运动[13-15]，其放电位置非固定，且放电形式以单颗粒的分散式放电为主，所以其放电能量并不集中，而是呈“波浪”状。

3.3 故障诊断与对比分析

针对GIL设备尖端放电与金属颗粒放电，测取尖端放电和金属颗粒放电缺陷两种振动数据各15组，尖端放电缺陷施加电压64kV，金属颗粒放电缺陷施加电压72kV，每组18个样本，每个样本的采样点为3 600点，将前12组数据作为训练数据集，将后3组数据作为验证数据集，Class1～3为尖端放电，Class4～6为金属颗粒放电。为进一步证明本文所提方法的诊断效果，将其与遗传算法优化极限学习机（genetic algorithm-extreme learning machine, GA-ELM）[16]、局部均值分解-支持向量机（local mean decomposition-support vector machine, LMD- SVM）[17]进行对比，其中SVM选择默认的径向基函数（radial basis function, RBF）。根据Class1～6的期望输出与诊断输出结果的一致性对GIL设备的放电故障进行判别，得到故障识别结果见表2和表3，其中深色底纹处为识别错误的样本，故障诊断结果如图6所示。

表2 尖端放电缺陷识别结果

表3 金属颗粒放电缺陷识别结果

通过对比三种方法的诊断结果可以发现，本文的PSO-ELM模型对于GIL局部放电的识别效果最好，平均准确率达99.07%；GA-ELM故障放电工况下诊断错误5个样本，平均准确率为95.35%；LMD-SVM故障放电工况下诊断错误6个样本，平均准确率为94.44%。通过对比可以发现，本文所提的基于1.5维能量谱与PSO-ELM模型的GIL局部放电诊断方法能够在一定程度上对GIL局部放电缺陷进行识别与诊断。

本文基于振动信号的能量波动对GIL局部放电进行了模式识别与故障分析，利用振动信号可以区分GIL设备正常运行与发生局部放电两种工况。文献[18]表明机械故障引起的振动信号多为低频振动信号，局部放电引起的振动信号多为高频振动信号，区分机械故障引起的异常振动与放电引起的异常振动，可以结合振动频谱进行联合分析，以达到较为准确的诊断结果。由于能量算子在待分析信号的每一时刻，都是利用三个相关样本值来进行能量计算的特性，对于GIL局部放电引起的微弱振动，1.5维能量谱都能较为完整地保留其能量波动特征，所以本文方法对于GIL局部放电引起的微弱振动仍具有较好的识别效果。

4 结论

本文提出一种基于1.5维能量谱与PSO-ELM的局部放电缺陷诊断方法，通过对实验采集GIL尖端放电与金属颗粒放电引起的异常振动信号进行能量波动特征提取，得出以下结论：

1）尖端放电能量波动呈“尖刺”状，金属颗粒放电能量波动呈“波浪”状，二者的1.5维能量谱的变化特征区别明显，可以作为故障诊断的特征依据。

2）通过实验结果与诊断方法结果对比，证明了基于1.5维能量谱与PSO-ELM的局部放电缺陷诊断方法的准确性，为GIL局部放电诊断提供了理论依据。

[1] 侯志强, 郭若琛, 李军浩. 直流电压下SF6/N2混合气体沿面局部放电特性[J]. 电工技术学报, 2020, 35(14): 3087-3096.

[2] 李鹏, 颜湘莲, 王浩, 等. 特高压交流GIL输电技术研究及应用[J]. 电网技术, 2017, 41(10): 3161-3167.

[3] 杨勇, 叶瑞, 王洪川. 气体绝缘封闭金属开关设备与气体绝缘输电线路应力分类及其校核标准比较[J]. 电气技术, 2020, 21(12): 87-91, 101.

[4] COOKSON A H. Electrical breakdown for uniform fields in compressed gases[J]. Proceedings of the Institution of Electrical Engineers, 1970, 117(1): 269-280.

[5] 王鹏, 赵政嘉, 刘雪山, 等. 电力电子设备中的电气绝缘问题[J]. 高电压技术, 2018, 44(7): 2309-2322.

[6] 王鹏, 周婉亚, 王科镜, 等. 正弦和重复方波电压下变频电机绝缘局部放电特性对比[J]. 高电压技术, 2016, 42(12): 3895-3900.

[7] 刘宇舜, 程登峰, 夏令志, 等. 基于单通道盲源分离算法的局部放电特高频信号去噪方法[J]. 电工技术学报, 2018, 33(23): 5625-5636.

[8] 王鹏, 刘玉婷, 邹阳, 等. TEV和超声波检测法在开关柜局部放电检测中的应用评述[J]. 高压电器, 2020, 65(10): 75-83.

[9] 常晨, 刘兰荣, 卢美林, 等. 并联电抗器等效模型的振动噪声特性试验研究[J]. 电气技术, 2019, 20(2): 37-41, 47.

[10] 马速良, 武建文, 袁洋, 等. 多振动信息下的高压断路器机械故障随机森林融合诊断方法[J]. 电工技术学报, 2020, 35(增刊2): 421-431.

[11] 臧旭, 马宏忠, 吴金利, 等. 基于改进集总经验模态近似熵的GIS放电故障诊断[J]. 高压电器, 2020, 56(6): 129-137.

[12] 李凯, 许洪华, 马宏忠, 等. GIS针尖类局部放电引起的振动特性研究[J]. 智慧电力, 2016, 44(9): 80-84.

[13] 孙秋芹, 罗宸江, 王峰, 等. 直流GIL导体表面金属颗粒跳跃运动特性研究[J]. 电工技术学报, 2018, 33(22): 5206-5216.

[14] 律方成, 刘宏宇, 阴凯, 等. 直流GIL不均匀场中金属微粒运动的数值模拟及放电特性分析[J]. 中国电机工程学报, 2017, 37(10): 2798-2806.

[15] 王健, 李庆民, 李伯涛, 等. 考虑非弹性随机碰撞与SF6/N2混合气体影响的直流GIL球形金属微粒运动行为研究[J]. 中国电机工程学报, 2015, 35(15): 3971-3978.

[16] 吕忠, 周强, 周琨, 等. 基于遗传算法改进极限学习机的变压器故障诊断[J]. 高压电器, 2015, 51(8): 49-53.

[17] 黄辉敏, 王飞风, 苏毅, 等. 基于LMD和SVM的高压断路器弹簧操动机构状态异常检测方法研究[J]. 高压电器, 2020, 56(5): 243-248.

[18] 张利, 屈斌, 王永宁, 等. GIS壳体振动机理和局部放电优化诊断与应用[J/OL]. 中国电力, https:// kns.cnki.net/kcms/detail/11.3265.TM.20200403.1208. 012.html.

Partial discharge diagnosis method of gas insulated transmission line based on vibration signal

CHEN Xuan1WANG Lixian2ZHU Chao1MA Hongzhong2

(1. Maintenance Branch Company, State Grid Jiangsu Electric Power Co., Ltd, Nanjing 211102; 2. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100)

In order to identify and diagnose partial discharge defects in gas insulated transmission line (GIL), a partial discharge defect diagnosis method based on 1.5D energy spectrum and particle swarm optimization-extreme learning machine (PSO-ELM) is proposed. By calculating the 1.5D energy spectrum of GIL abnormal vibration signal caused by partial discharge, the energy fluctuation characteristics of GIL abnormal vibration caused by different types of discharge are obtained. Secondly, the PSO-ELM model is constructed, and the 1.5D energy spectrum is used as the feature to identify and diagnose the partial discharge fault of GIL. Finally, through the comparison of different methods, the advantage of the proposed method is verified, which provides the basis for the safe and stable operation of GIL in the power transmission and distribution system.

gas insulated transmission line (GIL); partial discharge; 1.5D energy spectrum; particle swarm optimization (PSO); extreme learning machine (ELM)

国网江苏省电力公司重点科技项目（J2020040）

“111”引智计划（B14022）

2021-07-15

2021-07-29

陈 轩（1987—），男，江苏南京人，学士，工程师，主要从事变电设备带电检测的研究工作。